論文の概要: On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data
- arxiv url: http://arxiv.org/abs/2210.04989v1
- Date: Mon, 10 Oct 2022 19:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 16:48:54.339264
- Title: On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data
- Title（参考訳）: 騒音APCデータを用いた都市交通網の昼前・同日レベル予測モデルの設計について
- Authors: Jose Paolo Talusan (1), Ayan Mukhopadhyay (1), Dan Freudberg (2),
Abhishek Dubey (1) ((1) Vanderbilt University, (2) Nashville Metropolitan
Transit Authority)
- Abstract要約: 本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to accurately predict public transit ridership demand benefits
passengers and transit agencies. Agencies will be able to reallocate buses to
handle under or over-utilized bus routes, improving resource utilization, and
passengers will be able to adjust and plan their schedules to avoid overcrowded
buses and maintain a certain level of comfort. However, accurately predicting
occupancy is a non-trivial task. Various reasons such as heterogeneity,
evolving ridership patterns, exogenous events like weather, and other
stochastic variables, make the task much more challenging. With the progress of
big data, transit authorities now have access to real-time passenger occupancy
information for their vehicles. The amount of data generated is staggering.
While there is no shortage in data, it must still be cleaned, processed,
augmented, and merged before any useful information can be generated. In this
paper, we propose the use and fusion of data from multiple sources, cleaned,
processed, and merged together, for use in training machine learning models to
predict transit ridership. We use data that spans a 2-year period (2020-2022)
incorporating transit, weather, traffic, and calendar data. The resulting data,
which equates to 17 million observations, is used to train separate models for
the trip and stop level prediction. We evaluate our approach on real-world
transit data provided by the public transit agency of Nashville, TN. We
demonstrate that the trip level model based on Xgboost and the stop level model
based on LSTM outperform the baseline statistical model across the entire
transit service day.
- Abstract（参考訳）: 公共交通機関の乗客需要を正確に予測できる能力は、乗客や交通機関に利益をもたらす。
公共交通機関は、使用済みのバスルートや過度に利用されたバスルートを扱うためにバスを再配置し、資源利用を改善し、乗客は、過密したバスを避け、一定の快適性を維持するためにスケジュールを調整および計画することができる。
しかし、正確な占有率の予測は非自明な作業である。
異質性、進化するライダーシップパターン、天気などの外因性事象、その他の確率変数などの様々な理由により、タスクはより困難になる。
ビッグデータの進歩により、交通当局は車両のリアルタイムの乗客情報にアクセスできるようになった。
生成されるデータの量は驚異的です。
データ不足はないが、有用な情報が生成される前に、きれいにし、処理し、拡張し、マージする必要がある。
本稿では,複数のソースから収集したデータの利用と融合,洗浄,処理,マージを行い,トランジット・ライダーシップの予測のための機械学習モデルのトレーニングを行う。
交通、気象、交通、カレンダーのデータを含む2年間(2020-2022年)にわたるデータを使用します。
結果として得られたデータは1700万の観測値に等しく、旅行の異なるモデルと停止レベルの予測を訓練するために使用される。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
我々は、Xgboostに基づく旅行レベルモデルとLSTMに基づく停止レベルモデルが、交通サービス全体のベースライン統計モデルより優れていることを示した。
関連論文リスト
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳（メタデータ） (2024-03-08T04:19:56Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - A Dynamic Model for Bus Arrival Time Estimation based on Spatial
Patterns using Machine Learning [1.2891210250935146]
限られたデータセットを用いて到着時刻を予測するため,バス到着予測モデルを提案する。
インド・トゥムクル市の交通路の一つ、トゥムクル(Tumakuru)が選択され、2つの空間パターンに分けられる。
前回の旅行情報と機械学習モデルを用いてバス到着時刻を動的に予測するモデルを開発し、下流のバス停で到着時刻を推定する。
論文 参考訳（メタデータ） (2022-10-03T06:35:03Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳（メタデータ） (2022-03-04T18:39:31Z) - Identifying the Factors that Influence Urban Public Transit Demand [0.0]
近年のアメリカ全土の都市化の進展は、大都市圏の住民が利用できる交通サービスについて、都市計画者や交通技術者がより深く考慮することを必要としている。
これらの改善は、都市公共交通機関の需要に影響を与える要因を特定し、理解することで達成できる。
都市公共交通機関の需要に影響を与える共通の要因は、内外的要因である。
論文 参考訳（メタデータ） (2021-11-16T05:37:51Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Public Transit for Special Events: Ridership Prediction and Train
Optimization [10.531110013870792]
交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。
本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2021-06-09T19:52:18Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。
予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
論文 参考訳（メタデータ） (2020-09-07T04:07:37Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。